[发明专利]一种基于双邻域图神经网络的医疗实体对齐方法及系统

权利要求书

1.一种基于双邻域图神经网络的医疗实体对齐方法，其特征在于，包括以下步骤：

步骤1，从链接开放数据项目所存储的医疗知识图谱中，抽取医疗领域对齐的实体对以及相应的关系和属性，并对得到的数据进行预处理；

步骤2，将实体和属性建模在统一的网络中，通过关系三元组定义实体和实体之间的拓扑连接，属性三元组定义实体和属性之间的拓扑连接，使用图神经网络分别在实体邻域和属性邻域进行特征聚合，生成实体邻域特征和属性邻域特征，并使用门控机制进行特征整合以保持实体嵌入的维度不变；

步骤3，通过串联操作得到每一层的双邻域特征，并通过跳跃连接输出，生成全局感知的实体表示；

步骤4，根据两个实体在嵌入空间的距离计算相似度，对网络模型进行训练，并用训练完的模型预测源实体的目标实体。

2.根据权利要求1所述的基于双邻域图神经网络的医疗实体对齐方法，其特征在于，步骤1中具体过程包括：

步骤1-1，随机抽取不同医疗知识图谱中对齐的医疗实体对；

步骤1-2，抽取步骤1-1获得的实体的关系和属性信息，以关系三元组和属性三元组的方式存储；

步骤1-3，对获得的数据进行预处理，将实体、关系和属性进行编号，只保留属性类型而舍弃具体的属性值，并过滤掉仅出现过一次的属性。

3.根据权利要求1所述的基于双邻域图神经网络的医疗实体对齐方法，其特征在于，步骤2中使用图注意力网络进行双邻域特征聚合，具体为：

使用图注意力网络GAT1在实体邻域进行特征聚合，通过聚合实体e_i邻居实体的表示，从而更新实体e_i的实体邻域特征表示实体e_i在图注意力网络GAT1第l层的实体邻域特征；

使用图注意力网络GAT2在属性邻域进行特征聚合，通过聚合实体e_i拥有的属性的表示，从而更新实体e_i的属性邻域特征通过聚合属性a所属的实体表示，从而更新属性a的特征表示实体e_i在图注意力网络GAT2第l层的属性邻域特征，表示属性a第l层的特征，作为下一层神经网络输入的属性表示。

4.根据权利要求3所述的基于双邻域图神经网络的医疗实体对齐方法，其特征在于，步骤2中使用Highway gate的门控机制，将实体邻域特征和属性邻域特征进行整合：

其中，ReLU表示激活函数，σ是非线性激活函数tanh，M和b是各层共享的权重矩阵和偏置向量，表示实体e_i第l层的特征，作为下一层神经网络的输入的实体表示。

5.根据权利要求4所述的基于双邻域图神经网络的医疗实体对齐方法，其特征在于，步骤3中具体过程包括：

步骤3-1，将步骤2中的实体邻域特征和属性邻域特征进行串联得到双邻域实体特征：

其中，||表示串联操作；

步骤3-2，将图神经网络每一层的双邻域特征通过跳跃连接输出并串联在一起，生成全局感知的实体表示：

其中，L表示神经网络的层数。

6.根据权利要求1所述的基于双邻域图神经网络的医疗实体对齐方法，其特征在于，步骤4中具体过程包括：

步骤4-1，根据实体嵌入之间的曼哈顿距离来判断两个实体是否对齐，两个实体在嵌入空间中的曼哈顿距离越小，他们的相似度就越大，也就越可能对齐：

其中，表示曼哈顿距离，分别表示实体e₁、e₂全局感知的实体表示；

步骤4-2，模型训练，采用误差逆传播算法，最小化损失函数，不断优化模型中的参数，损失函数定义如下：

其中，γ0是一个间隔超参数，S是预对齐的实体对集合，S′是负样本的集合，在训练模型时，采用“早停”策略防止过拟合。

步骤4-3，用训练完的模型预测源实体的目标实体，并输出实体对齐的结果。